Detección de retinopatía diabética con calibración de incertidumbre
Visión general
De qué trata este proyecto.
Recibes 6.000 retinografías anonimizadas etiquetadas en la escala internacional de gravedad (0 a 4) y un conjunto de validación adicional de 800 imágenes. Entrena un modelo de clasificación basado en una arquitectura tipo Vision Transformer (ViT) o ConvNeXt preentrenada y añade calibración de incertidumbre mediante Monte Carlo Dropout o ensembles profundos. Reporta exactitud, sensibilidad por clase, AUC (Area Under the Curve — área bajo la curva ROC) y un diagrama de calibración (reliability diagram). Después diseña un umbral de incertidumbre que envíe el 25% de casos más inciertos a revisión humana y demuestra que la sensibilidad clínica en los casos retenidos por la máquina supera el 95% para retinopatía moderada o peor. Entrega un documento de protocolo de 3 páginas que la persona responsable médica pueda validar.
El Briefing
Lo que harás y lo que demostrarás.
Clasificar retinopatía diabética con calibración de incertidumbre tal que el 25% más incierto pase a humano y los casos retenidos por la máquina alcancen sensibilidad clínica superior al 95% para retinopatía moderada o peor.
Earning criteria — what you'll demonstrate
- Aplicar Vision Transformers o redes convolucionales modernas a clasificación de imagen médica
- Calibrar incertidumbre con Monte Carlo Dropout o ensembles y leer un reliability diagram
- Diseñar una política human-in-the-loop (humano en el bucle) con umbral defendible
- Reportar resultados clínicos con vocabulario que una persona médica pueda firmar
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Applied AI Scientist
Llevar un modelo de imagen médica desde investigación hasta un protocolo clínico defendible es el trabajo cotidiano de una persona Applied AI Scientist en salud digital — incluye calibración, sensibilidad por clase y diseño de derivación humana.
Este proyecto afina
- medical-image-classification
- uncertainty-calibration
- model-evaluation
ML Researcher
El diseño experimental con particiones estratificadas, calibración y comparación honesta de cabezas de incertidumbre refleja el rigor que se espera del primer proyecto de una persona investigadora junior.
Este proyecto afina
- uncertainty-calibration
- vision-transformers
- model-evaluation
AI Safety Researcher
Diseñar el umbral human-in-the-loop con foco en NO perder positivos clínicos es precisamente el tipo de razonamiento de seguridad que se aplica en sistemas de IA de alto riesgo.
Este proyecto afina
- human-in-the-loop
- uncertainty-calibration
- model-evaluation